Tesseract.js v7 实战指南在浏览器与 Node.js 中运行多语言 OCR【免费下载链接】tesseract.jsPure Javascript OCR for more than 100 Languages 项目地址: https://gitcode.com/GitHub_Trending/te/tesseract.jsTesseract.js 是一个纯 JavaScript 的 OCR 库通过 WebAssembly 封装 Tesseract OCR 引擎可在浏览器和 Node.js 两个环境中从图片中识别出近百种语言的文本。本文基于仓库根目录的 README.md 展开并结合 src/createWorker.js、src/index.js 等源码梳理了安装、Worker 生命周期、调度器并行处理、核心参数与版本升级注意事项读完你可以独立完成从 CDN 引入到 Node 服务集成的完整 OCR 方案。项目定位Tesseract 引擎的 JavaScript 封装层Tesseract.js 的目标是把独立的 Tesseract 可以看到当前仓库版本为7.0.0核心依赖tesseract.js-core^7.0.0提供了 wasm 运行时其余依赖bmp-js、zlibjs、idb-keyval等分别负责图片解码、gzip 解压与浏览器 IndexedDB 缓存。README 对项目边界有两条明确的“不做”声明集成前必须了解不支持 PDF 文件如需对 PDF 做 OCR需用第三方库先把 PDF 渲染为图片序列不修改 Tesseract 识别模型识别精度完全取决于底层 Tesseract 引擎本身本项目不会为此做任何模型层面的增强。这两个边界在 docs/faq.md 中也有呼应Tesseract.js 不编辑底层引擎引擎相关的 bug 应到 Tesseract 主项目提出手写体识别效果差也属于引擎模型层面的限制没有任何参数组合能显著改善。安装方式CDN、npm 与 Node.js 版本要求Tesseract.js 兼容三种接入方式script标签本地拷贝或 CDN、webpack 等打包器、Node.js 直接运行。CDN 引入!-- v5 -- script srchttps://cdn.jsdelivr.net/npm/tesseract.js5/dist/tesseract.min.js/script引入后全局变量Tesseract可用通过Tesseract.createWorker创建 worker。若使用import语法仓库同时提供 ESM 构建产物dist/tesseract.esm.min.js由 package.json 中rollup -c scripts/rollup.esm.mjs的构建步骤生成。Node.js 引入# 最新版本 npm install tesseract.js yarn add tesseract.js # 旧版本 npm install tesseract.js3.0.3 yarn add tesseract.js3.0.3环境要求Tesseract.js v7 需要 Node.js v16 或更新版本v6 需要 Node.js v14 或更新版本。仓库内官方示例 examples/node/recognize.js 展示了 Node 环境下的最小用法const { createWorker } require(../..); (async () { const worker await createWorker(eng, 1, { logger: (m) console.log(m), // 输出进度日志 }); const { data: { text } } await worker.recognize(image); console.log(text); await worker.terminate(); })();快速上手createWorker → recognize → terminate 三步模式README 给出的核心用法非常简单import { createWorker } from tesseract.js; (async () { const worker await createWorker(eng); const ret await worker.recognize(https://tesseract.projectnaptha.com/img/eng_bw.png); console.log(ret.data.text); await worker.terminate(); })();多图片场景的关键优化识别多张图片时应只创建一个 worker对每张图片依次调用worker.recognize最后统一worker.terminate()——而不是为每张图片重复走一遍完整的创建/加载流程。源码视角worker 创建时发生了什么从 src/createWorker.js 可以看到createWorker的完整签名是module.exports async (langs eng, oem OEM.LSTM_ONLY, _options {}, config {}) { ... }即四个参数依次为语言默认eng、引擎模式 OEM默认OEM.LSTM_ONLY值为 1、自定义选项对象、初始化参数对象。其内部实现是一条三阶段初始化链见 src/createWorker.js#L239-L243loadInternal() // 1. 加载 wasm core按设备能力选 SIMD/LSTM 构建 .then(() loadLanguageInternal(langs)) // 2. 下载并缓存语言 traineddata .then(() initializeInternal(langs, oem, config)) // 3. 初始化 Tesseract 引擎 .then(() workerResResolve(resolveObj))也就是说await createWorker(...)返回时wasm 核心、语言数据与引擎初始化已全部完成。这正是 v5 之后的破坏性变更worker.initialize与worker.loadLanguage应从代码中删除旧版需要手动调用新版 worker 创建即预加载源码中的load函数已仅保留一个 deprecation 警告。worker 对象最终暴露的方法集合src/createWorker.js#L224-L237为load已废弃、writeText、readText、removeFile、FS、reinitialize、setParameters、recognize、detect、terminate。每个方法内部都通过startJob构造一个 job经send投递给独立的 Web Worker / Worker Thread 执行主线程只通过 Promise 拿到结果。引擎模式OEMOEM 常量定义在 src/constants/OEM.js值名称含义0TESSERACT_ONLY仅 Legacy 引擎1LSTM_ONLY仅 LSTM 引擎默认2TESSERACT_LSTM_COMBINED两者结合3DEFAULT由引擎自动选择设置非默认语言与 OEM 的例子createWorker(chi_sim, 1)。需要特别注意源码中的一段限制逻辑src/createWorker.js#L36默认情况下下载的 wasm core 只支持 LSTM如果之后想用worker.reinitialize切到 Legacy 模式OEM 0/2必须在创建时就通过legacyCore: true、legacyLang: true确保下载了支持 Legacy 的代码与语言数据否则会抛出Legacy model requested but code missing.。createWorker 选项详解完整的参数说明见 docs/api.md整理如下选项说明corePath指向包含全部 4 个core 文件的目录tesseract-core.wasm.js、tesseract-core-simd.wasm.js、tesseract-core-lstm.wasm.js、tesseract-core-simd-lstm.wasm.js。不要指向单个.js文件Tesseract.js 需要能根据设备能力自行选择构建版本langPathtraineddata 下载路径末尾不要带/workerPathworker 脚本下载路径dataPathwasm 文件系统中保存 traineddata 的路径一般不修改cachePathtraineddata 缓存路径Node 中更常用浏览器中仅改变 IndexedDB 的 keycacheMethod缓存策略write默认读写、readOnly、refresh、nonelegacyCore设为true确保下载的代码同时支持 Legacy 模型legacyLang设为true确保下载的语言数据同时支持 Legacy 模型workerBlobURL是否用 Blob URL 加载 worker 脚本默认truegzip远端 traineddata 是否 gzip 压缩默认truelogger进度回调如m console.log(m)errorHandlerworker 错误处理函数如err console.error(err)第四参数config用于设置 Tesseract 的“init only”参数——这类参数在引擎初始化之后无法再修改如load_system_dawg、load_number_dawg、load_punc_dawg只能通过它传入其余大部分 Tesseract 参数都可以初始化后通过worker.setParameters或recognize的 options 修改。自定义路径的典型场景完全本地化部署见 docs/local-installation.mdconst worker await createWorker(eng, 1, { workerPath: https://cdn.jsdelivr.net/npm/tesseract.jsv5.0.0/dist/worker.min.js, langPath: https://tessdata.projectnaptha.com/4.0.0, corePath: https://cdn.jsdelivr.net/npm/tesseract.js-corev5.0.0, });recognize 与常用参数worker.recognize(image, options, output, jobId)是核心 OCR 调用docs/api.md 与 docs/examples.md 中的典型用法// 基础识别 const { data: { text } } await worker.recognize(image); // 只识别图片中的一个矩形区域 const { data: { text } } await worker.recognize(image, { rectangle: { top: 0, left: 0, width: 100, height: 100 }, });输入格式详见 docs/image-format.md支持 bmp、jpg、png、pbm、webp、gif非动画数据类型上浏览器和 Node 均支持 base64 dataURL 字符串与 buffer浏览器额外支持File/Blob、img/canvas元素Node 额外支持本地图片路径字符串。图片需要“格式 数据类型”同时满足例如包含 png 的 buffer 可以包含裸像素数据的 buffer 不行。另外 API 文档特别提示图像分辨率越高识别效果通常越好对同一张图先做上采样常常能显著提升结果。输出格式默认只返回text。如需其他格式通过output参数显式开启例如worker.recognize(image, {}, { hocr: true })完整列表text、blocksjson、hocr、tsv。这正是 v6 的破坏性变更——此前默认返回全部输出现在除text外全部默认关闭。setParameters 常用参数参数类型默认值说明tessedit_pageseg_modeenumPSM.SINGLE_BLOCK页面切分模式取值见 src/constants/PSM.jstessedit_char_whiteliststring字符白名单限定结果只包含这些字符适合内容受限的场景如纯数字preserve_interword_spacesstring00或1保留词间空格user_defined_dpistring自定义 dpi用于修复Warning: Invalid resolution 0 dpi. Using 70 instead.await worker.setParameters({ tessedit_char_whitelist: 0123456789 });注意setParameters不能修改oem——它只在初始化时确定切换必须走worker.reinitialize(langs, oem, config)。PSM 常量共 14 种取值从OSD_ONLY: 0到RAW_LINE: 13Tesseract.js 默认使用SINGLE_BLOCK值6而 Tesseract CLI 默认AUTO值3——这也是两者结果可能不同的原因之一详见 docs/faq.md。worker.detect(image)则执行 OSD方向与文字方向检测而非 OCR同样要求 worker 已加载 Legacy 支持创建时设置legacyCore: true, legacyLang: true这一点在 src/createWorker.js#L178-L180 中有对应的运行时检查。调度器Scheduler并行处理多张图片docs/workers_vs_schedulers.md 给出了两种执行模式直接使用单个 worker或用 scheduler 管理多个 worker 并行处理。单任务场景下 scheduler 没有优势但批量任务场景下能显著提升吞吐。示例用 4 个 worker 并行执行 10 个识别任务。const scheduler Tesseract.createScheduler(); const workerGen async () { const worker await Tesseract.createWorker(eng); scheduler.addWorker(worker); }; const workerN 4; (async () { const resArr Array(workerN); for (let i 0; i workerN; i) { resArr[i] workerGen(); } await Promise.all(resArr); /** Add 10 recognition jobs */ const results await Promise.all(Array(10).fill(0).map(() ( scheduler.addJob(recognize, https://tesseract.projectnaptha.com/img/eng_bw.png).then((x) x.data.text) ))); await scheduler.terminate(); // 同时终止所有 worker })();Scheduler API 包括addWorker(worker)一个 worker 只应加入一个 scheduler、addJob(action, ...payload)目前支持recognize与detect、getQueueLen()、getNumWorkers()、terminate()终止所有 worker。两条重要的工程约束来自同一文档加入同一 scheduler 的 worker 应当同构——语言、参数一致。scheduler 分配任务给哪个 worker 是不确定的worker 之间差异会导致识别结果不可复现长驻 Node.js 服务中应定期重建 worker/scheduler例如每 500 个任务重建一次。原因是 wasm 内存在运行中只能扩张不能收缩一张大图片会永久抬高 worker 的内存水位同时 Tesseract 会随任务不断往内部词典中“学习”新词数千个无关文档跑完后词典会被污染甚至混入错别字。版本升级须知v4 / v5 / v6 的重大变更README 汇总了三个大版本的破坏性变更升级时逐条对照即可v6修复了此前版本的内存泄漏运行时与内存占用整体下降破坏性变更除text外的所有输出格式默认关闭重新启用示例worker.recognize(image, {}, { hocr: true })blocks输出对象的内部结构有小幅调整。v5默认文件体积大幅缩小英语缩小 54%中文缩小 73%首次使用无缓存的运行时约降低 50%内存占用显著下降破坏性变更createWorker参数签名改变——非默认语言与 OEM 直接作为createWorker的实参传入如createWorker(chi_sim, 1)worker.initialize与worker.loadLanguage应从代码中删除。v4新增旋转预处理选项含自动旋转 auto-rotate显著提升精度可取回处理后的中间图片旋转、灰度、二值化版本改进并行处理scheduler支持破坏性变更createWorker变为 asyncgetPDF函数被recognize的pdf选项取代。支持语言与常见问题支持语言清单见 docs/tesseract_lang_list.md近 100 种语言多语言混合识别可用数组形式createWorker([eng, chi_tra])PDF 不支持可选方案是用 PDF.js / muPDF 等第三方库将 PDF 渲染为图片后再识别手写体不支持Tesseract 模型围绕印刷体假设构建与 Tesseract CLI 结果不一致时依次核对参数oem/psm默认值不同、语言数据OEM 1 默认使用整数化后的 tessdata_best 数据与 Tesseract 引擎版本完整排查流程见 docs/faq.md框架集成报Cannot find module通常是因为打包系统打乱了 worker 入口位置手动设置workerPath指向本地的worker-script/node/index.jsNode或worker.min.js浏览器即可解决。本地开发、构建与测试仓库提供了完整的开发工作流README “Contributing” 一节git clone https://gitcode.com/GitHub_Trending/te/tesseract.js.git cd tesseract.js npm install npm start # 启动开发服务器开发服务器基于 scripts/server.js启动后在浏览器打开http://localhost:3000/examples/browser/basic-efficient.html即可体验修改src目录下的文件会自动重新构建tesseract.min.js与worker.min.js。npm run build # 构建静态文件输出到 dist 目录 npm run lint # eslint 检查 src npm run test # 并行启动 dev server 并运行浏览器karma Nodemocha测试从 package.json 的脚本定义看build实际是rimraf dist webpack --config scripts/webpack.config.prod.js rollup -c scripts/rollup.esm.mjs即 webpack 产出 UMD 主包与 worker 包、rollup 产出 ESM 构建test由npm-run-all并行拉起 dev server 与浏览器/Node 双端测试套件测试用例位于 tests/。提交 PR 前应确保npm run lint与npm run test全部通过。总结Tesseract.js 的架构可以概括为主线程 APIcreateWorker/createScheduler/setLogging等导出定义见 src/index.js 独立 worker 线程内的 wasm 引擎 按需下载并缓存的语言数据。掌握“worker 一次创建、多任务复用、最后 terminate”的基本模式配合 scheduler 处理批量任务、setParameters微调识别行为、corePath/langPath完成本地化部署就能覆盖绝大多数 OCR 集成场景。项目细节可进一步参考 docs/api.md、docs/performance.md 与 examples/ 目录下的官方示例。【免费下载链接】tesseract.jsPure Javascript OCR for more than 100 Languages 项目地址: https://gitcode.com/GitHub_Trending/te/tesseract.js创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Tesseract.js v7 实战指南：在浏览器与 Node.js 中运行多语言 OCR
Tesseract.js v7 实战指南在浏览器与 Node.js 中运行多语言 OCR【免费下载链接】tesseract.jsPure Javascript OCR for more than 100 Languages 项目地址: https://gitcode.com/GitHub_Trending/te/tesseract.jsTesseract.js 是一个纯 JavaScript 的 OCR 库通过 WebAssembly 封装 Tesseract OCR 引擎可在浏览器和 Node.js 两个环境中从图片中识别出近百种语言的文本。本文基于仓库根目录的 README.md 展开并结合 src/createWorker.js、src/index.js 等源码梳理了安装、Worker 生命周期、调度器并行处理、核心参数与版本升级注意事项读完你可以独立完成从 CDN 引入到 Node 服务集成的完整 OCR 方案。项目定位Tesseract 引擎的 JavaScript 封装层Tesseract.js 的目标是把独立的 Tesseract 可以看到当前仓库版本为7.0.0核心依赖tesseract.js-core^7.0.0提供了 wasm 运行时其余依赖bmp-js、zlibjs、idb-keyval等分别负责图片解码、gzip 解压与浏览器 IndexedDB 缓存。README 对项目边界有两条明确的“不做”声明集成前必须了解不支持 PDF 文件如需对 PDF 做 OCR需用第三方库先把 PDF 渲染为图片序列不修改 Tesseract 识别模型识别精度完全取决于底层 Tesseract 引擎本身本项目不会为此做任何模型层面的增强。这两个边界在 docs/faq.md 中也有呼应Tesseract.js 不编辑底层引擎引擎相关的 bug 应到 Tesseract 主项目提出手写体识别效果差也属于引擎模型层面的限制没有任何参数组合能显著改善。安装方式CDN、npm 与 Node.js 版本要求Tesseract.js 兼容三种接入方式script标签本地拷贝或 CDN、webpack 等打包器、Node.js 直接运行。CDN 引入!-- v5 -- script srchttps://cdn.jsdelivr.net/npm/tesseract.js5/dist/tesseract.min.js/script引入后全局变量Tesseract可用通过Tesseract.createWorker创建 worker。若使用import语法仓库同时提供 ESM 构建产物dist/tesseract.esm.min.js由 package.json 中rollup -c scripts/rollup.esm.mjs的构建步骤生成。Node.js 引入# 最新版本 npm install tesseract.js yarn add tesseract.js # 旧版本 npm install tesseract.js3.0.3 yarn add tesseract.js3.0.3环境要求Tesseract.js v7 需要 Node.js v16 或更新版本v6 需要 Node.js v14 或更新版本。仓库内官方示例 examples/node/recognize.js 展示了 Node 环境下的最小用法const { createWorker } require(../..); (async () { const worker await createWorker(eng, 1, { logger: (m) console.log(m), // 输出进度日志 }); const { data: { text } } await worker.recognize(image); console.log(text); await worker.terminate(); })();快速上手createWorker → recognize → terminate 三步模式README 给出的核心用法非常简单import { createWorker } from tesseract.js; (async () { const worker await createWorker(eng); const ret await worker.recognize(https://tesseract.projectnaptha.com/img/eng_bw.png); console.log(ret.data.text); await worker.terminate(); })();多图片场景的关键优化识别多张图片时应只创建一个 worker对每张图片依次调用worker.recognize最后统一worker.terminate()——而不是为每张图片重复走一遍完整的创建/加载流程。源码视角worker 创建时发生了什么从 src/createWorker.js 可以看到createWorker的完整签名是module.exports async (langs eng, oem OEM.LSTM_ONLY, _options {}, config {}) { ... }即四个参数依次为语言默认eng、引擎模式 OEM默认OEM.LSTM_ONLY值为 1、自定义选项对象、初始化参数对象。其内部实现是一条三阶段初始化链见 src/createWorker.js#L239-L243loadInternal() // 1. 加载 wasm core按设备能力选 SIMD/LSTM 构建 .then(() loadLanguageInternal(langs)) // 2. 下载并缓存语言 traineddata .then(() initializeInternal(langs, oem, config)) // 3. 初始化 Tesseract 引擎 .then(() workerResResolve(resolveObj))也就是说await createWorker(...)返回时wasm 核心、语言数据与引擎初始化已全部完成。这正是 v5 之后的破坏性变更worker.initialize与worker.loadLanguage应从代码中删除旧版需要手动调用新版 worker 创建即预加载源码中的load函数已仅保留一个 deprecation 警告。worker 对象最终暴露的方法集合src/createWorker.js#L224-L237为load已废弃、writeText、readText、removeFile、FS、reinitialize、setParameters、recognize、detect、terminate。每个方法内部都通过startJob构造一个 job经send投递给独立的 Web Worker / Worker Thread 执行主线程只通过 Promise 拿到结果。引擎模式OEMOEM 常量定义在 src/constants/OEM.js值名称含义0TESSERACT_ONLY仅 Legacy 引擎1LSTM_ONLY仅 LSTM 引擎默认2TESSERACT_LSTM_COMBINED两者结合3DEFAULT由引擎自动选择设置非默认语言与 OEM 的例子createWorker(chi_sim, 1)。需要特别注意源码中的一段限制逻辑src/createWorker.js#L36默认情况下下载的 wasm core 只支持 LSTM如果之后想用worker.reinitialize切到 Legacy 模式OEM 0/2必须在创建时就通过legacyCore: true、legacyLang: true确保下载了支持 Legacy 的代码与语言数据否则会抛出Legacy model requested but code missing.。createWorker 选项详解完整的参数说明见 docs/api.md整理如下选项说明corePath指向包含全部 4 个core 文件的目录tesseract-core.wasm.js、tesseract-core-simd.wasm.js、tesseract-core-lstm.wasm.js、tesseract-core-simd-lstm.wasm.js。不要指向单个.js文件Tesseract.js 需要能根据设备能力自行选择构建版本langPathtraineddata 下载路径末尾不要带/workerPathworker 脚本下载路径dataPathwasm 文件系统中保存 traineddata 的路径一般不修改cachePathtraineddata 缓存路径Node 中更常用浏览器中仅改变 IndexedDB 的 keycacheMethod缓存策略write默认读写、readOnly、refresh、nonelegacyCore设为true确保下载的代码同时支持 Legacy 模型legacyLang设为true确保下载的语言数据同时支持 Legacy 模型workerBlobURL是否用 Blob URL 加载 worker 脚本默认truegzip远端 traineddata 是否 gzip 压缩默认truelogger进度回调如m console.log(m)errorHandlerworker 错误处理函数如err console.error(err)第四参数config用于设置 Tesseract 的“init only”参数——这类参数在引擎初始化之后无法再修改如load_system_dawg、load_number_dawg、load_punc_dawg只能通过它传入其余大部分 Tesseract 参数都可以初始化后通过worker.setParameters或recognize的 options 修改。自定义路径的典型场景完全本地化部署见 docs/local-installation.mdconst worker await createWorker(eng, 1, { workerPath: https://cdn.jsdelivr.net/npm/tesseract.jsv5.0.0/dist/worker.min.js, langPath: https://tessdata.projectnaptha.com/4.0.0, corePath: https://cdn.jsdelivr.net/npm/tesseract.js-corev5.0.0, });recognize 与常用参数worker.recognize(image, options, output, jobId)是核心 OCR 调用docs/api.md 与 docs/examples.md 中的典型用法// 基础识别 const { data: { text } } await worker.recognize(image); // 只识别图片中的一个矩形区域 const { data: { text } } await worker.recognize(image, { rectangle: { top: 0, left: 0, width: 100, height: 100 }, });输入格式详见 docs/image-format.md支持 bmp、jpg、png、pbm、webp、gif非动画数据类型上浏览器和 Node 均支持 base64 dataURL 字符串与 buffer浏览器额外支持File/Blob、img/canvas元素Node 额外支持本地图片路径字符串。图片需要“格式 数据类型”同时满足例如包含 png 的 buffer 可以包含裸像素数据的 buffer 不行。另外 API 文档特别提示图像分辨率越高识别效果通常越好对同一张图先做上采样常常能显著提升结果。输出格式默认只返回text。如需其他格式通过output参数显式开启例如worker.recognize(image, {}, { hocr: true })完整列表text、blocksjson、hocr、tsv。这正是 v6 的破坏性变更——此前默认返回全部输出现在除text外全部默认关闭。setParameters 常用参数参数类型默认值说明tessedit_pageseg_modeenumPSM.SINGLE_BLOCK页面切分模式取值见 src/constants/PSM.jstessedit_char_whiteliststring字符白名单限定结果只包含这些字符适合内容受限的场景如纯数字preserve_interword_spacesstring00或1保留词间空格user_defined_dpistring自定义 dpi用于修复Warning: Invalid resolution 0 dpi. Using 70 instead.await worker.setParameters({ tessedit_char_whitelist: 0123456789 });注意setParameters不能修改oem——它只在初始化时确定切换必须走worker.reinitialize(langs, oem, config)。PSM 常量共 14 种取值从OSD_ONLY: 0到RAW_LINE: 13Tesseract.js 默认使用SINGLE_BLOCK值6而 Tesseract CLI 默认AUTO值3——这也是两者结果可能不同的原因之一详见 docs/faq.md。worker.detect(image)则执行 OSD方向与文字方向检测而非 OCR同样要求 worker 已加载 Legacy 支持创建时设置legacyCore: true, legacyLang: true这一点在 src/createWorker.js#L178-L180 中有对应的运行时检查。调度器Scheduler并行处理多张图片docs/workers_vs_schedulers.md 给出了两种执行模式直接使用单个 worker或用 scheduler 管理多个 worker 并行处理。单任务场景下 scheduler 没有优势但批量任务场景下能显著提升吞吐。示例用 4 个 worker 并行执行 10 个识别任务。const scheduler Tesseract.createScheduler(); const workerGen async () { const worker await Tesseract.createWorker(eng); scheduler.addWorker(worker); }; const workerN 4; (async () { const resArr Array(workerN); for (let i 0; i workerN; i) { resArr[i] workerGen(); } await Promise.all(resArr); /** Add 10 recognition jobs */ const results await Promise.all(Array(10).fill(0).map(() ( scheduler.addJob(recognize, https://tesseract.projectnaptha.com/img/eng_bw.png).then((x) x.data.text) ))); await scheduler.terminate(); // 同时终止所有 worker })();Scheduler API 包括addWorker(worker)一个 worker 只应加入一个 scheduler、addJob(action, ...payload)目前支持recognize与detect、getQueueLen()、getNumWorkers()、terminate()终止所有 worker。两条重要的工程约束来自同一文档加入同一 scheduler 的 worker 应当同构——语言、参数一致。scheduler 分配任务给哪个 worker 是不确定的worker 之间差异会导致识别结果不可复现长驻 Node.js 服务中应定期重建 worker/scheduler例如每 500 个任务重建一次。原因是 wasm 内存在运行中只能扩张不能收缩一张大图片会永久抬高 worker 的内存水位同时 Tesseract 会随任务不断往内部词典中“学习”新词数千个无关文档跑完后词典会被污染甚至混入错别字。版本升级须知v4 / v5 / v6 的重大变更README 汇总了三个大版本的破坏性变更升级时逐条对照即可v6修复了此前版本的内存泄漏运行时与内存占用整体下降破坏性变更除text外的所有输出格式默认关闭重新启用示例worker.recognize(image, {}, { hocr: true })blocks输出对象的内部结构有小幅调整。v5默认文件体积大幅缩小英语缩小 54%中文缩小 73%首次使用无缓存的运行时约降低 50%内存占用显著下降破坏性变更createWorker参数签名改变——非默认语言与 OEM 直接作为createWorker的实参传入如createWorker(chi_sim, 1)worker.initialize与worker.loadLanguage应从代码中删除。v4新增旋转预处理选项含自动旋转 auto-rotate显著提升精度可取回处理后的中间图片旋转、灰度、二值化版本改进并行处理scheduler支持破坏性变更createWorker变为 asyncgetPDF函数被recognize的pdf选项取代。支持语言与常见问题支持语言清单见 docs/tesseract_lang_list.md近 100 种语言多语言混合识别可用数组形式createWorker([eng, chi_tra])PDF 不支持可选方案是用 PDF.js / muPDF 等第三方库将 PDF 渲染为图片后再识别手写体不支持Tesseract 模型围绕印刷体假设构建与 Tesseract CLI 结果不一致时依次核对参数oem/psm默认值不同、语言数据OEM 1 默认使用整数化后的 tessdata_best 数据与 Tesseract 引擎版本完整排查流程见 docs/faq.md框架集成报Cannot find module通常是因为打包系统打乱了 worker 入口位置手动设置workerPath指向本地的worker-script/node/index.jsNode或worker.min.js浏览器即可解决。本地开发、构建与测试仓库提供了完整的开发工作流README “Contributing” 一节git clone https://gitcode.com/GitHub_Trending/te/tesseract.js.git cd tesseract.js npm install npm start # 启动开发服务器开发服务器基于 scripts/server.js启动后在浏览器打开http://localhost:3000/examples/browser/basic-efficient.html即可体验修改src目录下的文件会自动重新构建tesseract.min.js与worker.min.js。npm run build # 构建静态文件输出到 dist 目录 npm run lint # eslint 检查 src npm run test # 并行启动 dev server 并运行浏览器karma Nodemocha测试从 package.json 的脚本定义看build实际是rimraf dist webpack --config scripts/webpack.config.prod.js rollup -c scripts/rollup.esm.mjs即 webpack 产出 UMD 主包与 worker 包、rollup 产出 ESM 构建test由npm-run-all并行拉起 dev server 与浏览器/Node 双端测试套件测试用例位于 tests/。提交 PR 前应确保npm run lint与npm run test全部通过。总结Tesseract.js 的架构可以概括为主线程 APIcreateWorker/createScheduler/setLogging等导出定义见 src/index.js 独立 worker 线程内的 wasm 引擎 按需下载并缓存的语言数据。掌握“worker 一次创建、多任务复用、最后 terminate”的基本模式配合 scheduler 处理批量任务、setParameters微调识别行为、corePath/langPath完成本地化部署就能覆盖绝大多数 OCR 集成场景。项目细节可进一步参考 docs/api.md、docs/performance.md 与 examples/ 目录下的官方示例。【免费下载链接】tesseract.jsPure Javascript OCR for more than 100 Languages 项目地址: https://gitcode.com/GitHub_Trending/te/tesseract.js创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考